論文の概要: Unmixing-Guided Spatial-Spectral Mamba with Clustering Tokens for Hyperspectral Image Classification

• arxiv url: http://arxiv.org/abs/2604.09948v1
• Date: Fri, 10 Apr 2026 22:56:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.761068
• Title: Unmixing-Guided Spatial-Spectral Mamba with Clustering Tokens for Hyperspectral Image Classification
• Title（参考訳）: ハイパースペクトル画像分類のためのクラスタリングトークン付きアンミキシングガイド付き空間スペクトルマンバ
• Authors: Yimin Zhu, Lincoln Linlin Xu,
• Abstract要約: 本文は、HSI分類を改善するために、クラスタリングトークンを備えた新規な混合誘導型空間分光マンバを提示する。 パターン発見を改善するために,HSIのスペクトル混合効果を阻害するために,新しいスペクトル混合ネットワークを設計する。 本研究では,多元写像で定義されたクラスタに基づいて,マンバトークン列を生成するため,効率的なTop-textitKトークン選択戦略を設計する。 第3に、Top-textitKトークンシーケンスに基づいて、空間スペクトルの特徴学習と詳細保存を改善するために、新しい未混合誘導空間スペクトルマンバモジュールを設計する。
• 参考スコア（独自算出の注目度）: 2.1741810474011047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Although hyperspectral image (HSI) classification is critical for supporting various environmental applications, it is a challenging task due to the spectral-mixture effect, the spatial-spectral heterogeneity and the difficulty to preserve class boundaries and details. This letter presents a novel unmixing-guided spatial-spectral Mamba with clustering tokens for improved HSI classification, with the following contributions. First, to disentangle the spectral mixture effect in HSI for improved pattern discovery, we design a novel spectral unmixing network that not only automatically learns endmembers and abundance maps from HSI but also accounts for endmember variabilities. Second, to generate Mamba token sequences, based on the clusters defined by abundance maps, we design an efficient Top-\textit{K} token selection strategy to adaptively sequence the tokens for improved representational capability. Third, to improve spatial-spectral feature learning and detail preservation, based on the Top-\textit{K} token sequences, we design a novel unmixing-guided spatial-spectral Mamba module that greatly improves traditional Mamba models in terms of token learning and sequencing. Fourth, to learn simultaneously the endmember-abundance patterns and classification labels, a multi-task scheme is designed for model supervision, leading to a new unmixing-classification framework that outputs not only accurate classification maps but also a comprehensive spectral-library and abundance maps. Comparative experiments on four HSI datasets demonstrate that our model can greatly outperform the other state-of-the-art approaches. Code is available at https://github.com/GSIL-UCalgary/Unmixing_guided_Mamba.git
• Abstract（参考訳）: ハイパースペクトル画像(HSI)分類は様々な環境応用をサポートする上で重要であるが, スペクトル混合効果, 空間スペクトルの不均一性, クラス境界や詳細の保存が困難であることから, 課題となっている。 本文では,HSI分類の改善を目的としたクラスタリングトークンを備えた非混合誘導空間分光マンバを提案する。 まず、パターン発見を改善するためにHSIのスペクトル混合効果を解き放つために、HSIからエンドメンバーとアバンダンスマップを自動的に学習するだけでなく、エンドメンバーの変動も考慮する新しいスペクトル混合ネットワークを設計する。 第二に、マンバトークン列を生成するために、アバンダンスマップで定義されたクラスタに基づいて、効率的なTop-\textit{K}トークン選択戦略を設計し、表現能力を向上させるためにトークンを適応的にシーケンスする。 第3に、Top-\textit{K}トークンシーケンスに基づいて、空間スペクトルの特徴学習と詳細保存を改善するために、トークン学習とシークエンシングの観点から従来のマンバモデルを大幅に改善する、未混合の空間スペクトルマンバモジュールを設計する。 第4に、エンドメンバー・アバンダンス・パターンと分類ラベルを同時に学習するために、マルチタスク・スキームはモデル監視のために設計され、正確な分類地図だけでなく、包括的なスペクトル・ライブラリー・アバンダンス・マップを出力する新しいアンミックス・セシフィケーション・フレームワークへと導かれる。 4つのHSIデータセットの比較実験は、我々のモデルが他の最先端のアプローチを大きく上回ることを示した。 コードはhttps://github.com/GSIL-UCalgary/Unmixing_guided_Mamba.gitで入手できる。

関連論文リスト

• Structural-Spectral Graph Convolution with Evidential Edge Learning for Hyperspectral Image Clustering [73.01141916544103]
  ハイパースペクトル画像(HSI)クラスタリングは、ラベル付きデータを持たないクラスタにピクセルをグループ化する。 ほとんどの手法はスーパーピクセルセグメンテーションに依存し、グラフニューラルネットワーク(GNN)に基づくスーパーピクセルレベルのクラスタリングを実行する。 グラフ構造化HSIスーパーピクセルに適した構造スペクトルグラフ畳み込み演算子(SSGCO)を提案する。
  論文  参考訳（メタデータ） (2025-06-11T16:41:34Z)
• MambaMoE: Mixture-of-Spectral-Spatial-Experts State Space Model for Hyperspectral Image Classification [46.67137351665963]
  マンバをベースとしたモデルは、最近ハイパースペクトル画像(HSI)分類において有意な可能性を証明している。 我々は,HSI分類領域における最初のMoEに基づくアプローチである,スペクトル空間混合(MoE)フレームワークであるMambaMoEを提案する。 MambaMoEは、既存の高度な手法と比較して、分類精度と計算効率の両面で最先端の性能を達成する。
  論文  参考訳（メタデータ） (2025-04-29T07:50:36Z)
• MambaHSI: Spatial-Spectral Mamba for Hyperspectral Image Classification [46.111607032455225]
  本稿では,Mambaモデルに基づく新しいHSI分類モデル,MambaHSIを提案する。 具体的には,空間的マンバブロック(SpaMB)を設計し,画素レベルの画像全体の長距離相互作用をモデル化する。 スペクトルベクトルを複数のグループに分割し、異なるスペクトル群間の関係をマイニングし、スペクトル特徴を抽出するスペクトルマンバブロック(SpeMB)を提案する。
  論文  参考訳（メタデータ） (2025-01-09T03:27:47Z)
• Spectral-Spatial Mamba for Hyperspectral Image Classification [23.215920983979426]
  スペクトル空間マンバ(SS-Mamba)は高スペクトル画像(HSI)分類に適用される。 提案されたSS-マンバは、主にスペクトル空間トークン生成モジュールと、いくつかの積層スペクトル空間マンバブロックから構成される。 広く利用されているHSIデータセットを用いた実験結果から,提案モデルが競合する結果が得られることが明らかになった。
  論文  参考訳（メタデータ） (2024-04-29T03:36:05Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。